SLAM（Simultaneous Localization and Mapping，即”同时定位与建图”）是一类让设备在未知环境中一边估计自身位置姿态、一边建立环境地图的技术。常见于机器人、无人机、自动驾驶、AR/VR 头显等。
要点概览
- 核心问题：在没有先验地图时，基于传感器观测（相机/激光/IMU/里程计等）估计序列位姿与环境地图，并抑制累计误差（通过回环闭合与全局优化）。
- 数学视角：状态包含轨迹与地图，前端做数据关联/里程计，后端用图优化/滤波做全局一致性（因子图、Bundle Adjustment、Pose Graph）。
常见分类
- 传感器：视觉（单目/双目/RGB‑D）、激光雷达（LiDAR）、VIO/LIO（融合 IMU）。
- 方法学：特征法（ORB/SIFT 等）与直接法（像素强度）；滤波式（EKF/UKF/FastSLAM）与优化式（图优化/BA）；稀疏、半稠密、稠密。
- 地图表示：点云、关键帧地图、栅格地图、TSDF/ESDF 等。
典型流程
- 传感器输入与预处理（标定、去畸变、时间同步）
- 前端里程计：特征提取/匹配或光流/直接法 → 相对位姿估计
- 回环检测与重定位（闭环约束生成）
- 后端优化：位姿图/BA 全局优化，误差分布一致
- 建图：点云融合、栅格或体素（TSDF）更新；可做语义/动态物体处理
关键难点
- 漂移与尺度（单目尺度不定）、动态环境、纹理/几何退化、光照变化与运动模糊、实时性与计算开销、跨传感器时钟与外参标定。
代表性算法与框架
- 视觉/多传感器：ORB‑SLAM/2/3、LSD‑SLAM、DSO、OKVIS、VINS‑Mono/VINS‑Fusion、Kimera、OpenVSLAM、RTAB‑Map
- 激光：LOAM、LIO‑SAM、Cartographer
- 经典滤波：EKF‑SLAM、FastSLAM
- 注：COLMAP 更偏离线 SfM，VO 只估计相对运动、无全局闭环
数据集与指标
- 数据集：KITTI、TUM RGB‑D、EuRoC MAV、KITTI‑360、ICL‑NUIM
- 指标：ATE（绝对轨迹误差）、RPE（相对位姿误差）、KITTI Odometry 排名指标、回环召回/精度
应用场景
- 移动机器人自主导航、无人机编队与巡检、自动驾驶定位、AR/VR 空间感知、仓储与物流、室内测绘/数字孪生
入门建议
- 从 ORB‑SLAM3 或 RTAB‑Map 跑通数据集开始，理解前后端分离与回环
- 做好标定（相机/IMU 外参与时间同步），再尝试 VIO（VINS/Kimera）或 LIO（LIO‑SAM）
- 根据场景选择传感器：室内/低纹理优先 LiDAR，轻量/低成本可用 VIO，需稠密重建选 RGB‑D/多视几何 +TSDF